عنوان پایان‌نامه
بهینه سازی قابلیت پیش بینی نقطه نکول در مدل kmv با استفاده از الگوریتم ژنتیک
- رشته تحصیلی
- مدیریت مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 77012;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 77012
- تاریخ دفاع
- ۲۹ شهریور ۱۳۹۵
- دانشجو
- سیدعلی خوئی
- استاد راهنما
- رضا راعی
- چکیده
- میزان بالای مطالبات غیر جاری بانک های کشور، نیاز به استفاده از چارچوب مدیریت ریسک اعتباری را کاملا شفاف و پررنگ کرده است. در میان مدل های اندازه گیری و مدیریت ریسک اعتباری، مدل های مبتنی بر بازار سرمایه از اهمیت بالایی برخوردار هستند چرا که بهترین روش برای تخمین احتمال نکول مشتریان حقوقی درخواست کننده تسهیلات از بانک ها می باشند. یکی از پرکاربردترین رویکردها در بین مدل های مبتنی بر بازار سرمایه مدل KMV است که در واقع رویکردی بهبود یافته از مدل مرتون می باشد. مدل KMV برای رسیدن به تخمین میزان احتمال نکول هر مشتری، پارامترهای میانی نقطه نکول و فاصله تا نکول را محاسبه می کند. در این تحقیق تلاش شده است تا با استفاده از روش های مبتنی بر الگوریتم ژنتیک، نقطه نکول شرکت ها و در پی آن قابلیت محاسبه احتمال نکول هر شرکت بهبود یابد. نتیجه بررسی ها نشان داد که استفاده از الگوریتم ژنتیک باعث می شود تا مدل KMV احتمال نکول دقیق تری را نسبت به چارچوب تعریف شده اولیه محاسبه نماید. در نتیجه بانک ها می توانند با استفاده از این روش نسبت به تخمین احتمال نکول هر یک از درخواست کنندگان تسهیلات و در پی آن اعتبار سنجی و تصمیم گیری در ارتباط با اعطا یا عدم اعطای تسهیلات به وی اقدام نمایند که این امر می تواند موجب بهبود عملکرد سیستم بانکی کشور گردد.
- Abstract
- Iran’s high level of nonperforming loans, emphesise on the need for using credit risk management framework. Market based models play an important role between credit risk management models, because of their ability to estimate probability of default for legal customers asking for loans from banks. Moody’s KMV approach has the most usage between market based models. This approach is an optimized version of Merton’s model. KMV use default point and distance to default as two middle parameters for estimating the probability of default. In this research we seek for a model that can more effectively and more easily predict default in Iranian banks using Genetics Algorithm. Our results indicate that using the Genetics Algorithm for optimizing the KMV model, create a better prediction of probability of default. So banks may use this approach for estimating this probability for their customers and make better decisions on their loans, which incease the overall banking system performance in Islamic Republic of Iran.
